Generation_오토인코더(Autoencoder)

1️⃣ 오토 인코더 (Autoencoder)

●입력 데이터의 패턴을 학습하여 데이터를 재건하는 모델

○비선형 차원 축소 기법으로 활용 가능

 

각자의 특징을 외움

 

✅오토 인코더 구조

●인코더(Encoder): 데이터를 저차원 잠재 표현으로 요약

●디코더(Decoder): 저차원 잠재 표현으로부터 데이터를 재구성(Reconstruction)

 

✅ 오토 인코더 학습

●손실 함수: 잠재 표현으로부터 복구한 데이터와 입력 데이터의 평균제곱오차(MSE)

 

2️⃣ 디노이징 (Denoising) 오토 인코더

 

●입력 데이터에 랜덤 노이즈를 주입하거나 Dropout 레이어를 적용

●노이즈가 없는 원래 데이터로 재구성

노이즈 제거 오토인코더

✅ 디노이징 오토 인코더의 원리

●안개 속에서 멀리 있는 물체를 구별하려면?
●데이터의 특성들을 더욱 정확히 학습함

●노이즈에 강건한 잠재 표현 (미세하게 변형된 데이터도 같은 잠재 벡터로 표현되도록)

3️⃣ 오토 인코더의 활용

✅  특징 추출기로의 활용

●학습한 오토 인코더의 인코더 부분을 특징 추출기로 활용

●잠재 벡터로부터 분류, 클러스터링 문제 해결

✅  이상치 탐지 (Anomaly Detection)

●이상치는 재구성 했을 때 평균제곱오차가 크게 나올 것!

●특정 임계값을 넘으면 이상치로 판단

 

 

-> 입력 데이터의 패턴을 학습하여 데이터를 재건하는 모델 (새로운 데이터를 생성하지는 않음)

-> 이상치 탐지, 클러스터링을 위한 비지도 학습 기반 특징 추출기로 활용 가능